AI全文阅读精要

这篇文章主要提出了一种基于图表示学习的光网络算力调度方法，旨在解决现有算力资源与光网络独立管理导致的资源调度不协调问题。以下是文件的核心要点总结：

1. 背景与问题提出：

• 随着5G/6G技术的快速发展和新兴算力应用的涌现，通信网络需要同时提供信息传输与信息处理能力。

• 算力与光网络在管控上相互隔离，多粒度算力业务在光传送节点聚合后易引入额外时延，影响服务质量。

2. 方法概述：

• 提出基于图表示学习的光网络算力调度方法（GRL-ONCPS），通过构建节点和边特征图，利用图卷积网络进行聚类，形成二分图映射算力业务的源节点到目的节点。

• 引入学习因子优化二分图中的映射关系，以最小化时延为目标，实现高效算力调度。

3. 系统架构：

• 在光网络中嵌入算力智能板，实现动态计算能力和实时流量检测。

• 控制层通过南向接口和Openflow协议实时采集数据流量信息，构建网络状态信息矩阵，指导路由和频谱资源分配。

4. 关键步骤：

• 资源聚类：使用图卷积网络（GCN）对节点和边进行聚类，根据资源占用程度划分资源充足的簇和资源不充足的簇。

• 资源映射与调度：通过二部图模型进行算力提供方的选择、路由和频谱资源分配，形成最终的算力调度方案。

• 优化过程：引入学习因子和同维阶跃函数，更新选路代价矩阵，寻找最短路径和最小传播时延，同时考虑计算时延，设置损失函数进行优化。

5. 仿真结果与分析：

• 在66节点、70边的城域弹性光网络拓扑上进行仿真，验证GRL-ONCPS方法的性能。

• 相比传统“均匀算力目标节点首次命中”（Homogeneous-FF）方法，GRL-ONCPS显著降低了阻塞率，提高了资源利用率，降低了平均处理时延。

• 在不同负载和业务量下，GRL-ONCPS均表现出更好的性能，特别是在高负载情况下仍能维持较低的阻塞率和较高的资源利用率。

6. 结论与展望：

• 文件总结了GRL-ONCPS方法的有效性，并提出了未来研究方向，包括开发更有效的图嵌入和图神经网络方法、设计高效的图采样方法以及研究图神经网络的可解释性。